论文提出任务向量可分解为任务识别与任务学习组件。
资讯摘要
论文提出将任务向量（TVs）分解为任务识别（TR）、任务学习（TL）与残差三部分，并用贝叶斯优化调整TR/TL系数以实施干预。作者在多个模型家族、分类任务及基于指令和示例的TVs上评估，报告优化后的干预方向优于原始TVs，且对分解组件的单独干预产生与其功能角色一致的不同logit效应。
要点速读
- 论文从候选标签的unembedding出发，将每个任务向量分解为TR、TL和残差组件，并用贝叶斯优化求解TR/TL系数。
- 作者报告在多个模型家族、分类任务及指令型与示例型TVs上，TR/TL优化得到的干预方向优于原始TVs。
- 论文称对分解组件的单独干预产生不同的logit层面效应，且与预期功能角色一致。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。